文摘
科学的风险评估是一个重要的保证一个企业的健康发展。与机器学习技术的不断发展和成熟,它在该领域发挥了重要作用的数据预测和风险评估。本文进行研究机器学习技术的应用在企业风险评估。根据现有文献,本文使用三种机器学习算法,即。,random forest (RF), support vector machine (SVM), and AdaBoost, to evaluate enterprise risk. In the specific implementation, the enterprise’s risk assessment indexes are first established, which comprehensively describe the various risks faced by the enterprise through a number of parameters. Then, the three types of machine learning algorithms are trained based on historical data to build a risk assessment model. Finally, for a set of risk indicators obtained under current conditions, the risk index is output through the risk assessment model. In the experiment, some actual data are used to analyze and verify the method, and the results show that the proposed three types of machine learning algorithms can effectively evaluate enterprise risks.
1。介绍
随着人工智能的发展和大数据时代的到来,许多学者已经使用机器学习的方法来对风险评估进行广泛的研究(1- - - - - -4]。企业风险管理中发挥着重要作用在国内外金融机构的稳定运行。判断用户是否违约的传统方法无法满足今天的需求的多种类型的数据,大量的用户和风险预测精度高(5- - - - - -7]。大量的学者使用机器学习的方法。深入讨论和一系列相关研究成果已经证明该方法具有良好的预测和泛化能力(8- - - - - -10]。
在早期,研究人员主要用于风险评估方法基于统计学习的方法。第一次使用回归分析等方法在信用风险评估领域。线性判别分析方法用于信用评价体系和数学统计数据模型是研究信用风险评估问题11- - - - - -14]。然而,这些方法有一定的局限性。太假设数据分布的要求,和样本分类是基于方差相反的意思,所以最终的分类效果不是特别强。线性回归是用来做一个评分等级根据贷款人的信用状况和实际情况15- - - - - -18]预测银行客户的信用风险。本质上,线性回归方法使用现有的用户在用户提供的信贷数据进行回归预测未知的信用状况,最后获得用户是否违约的概率。然而,线性回归也有一定的缺点19- - - - - -22]。它获得的值范围是+和-∞之间和逻辑回归刚刚的出现解决了这个问题。Wiginton等人首次提出信用评估的逻辑回归模型(20.]。逻辑回归使用乙状结肠函数线性回归后获得的值转换为一个概率值,并设置一个经验阈值在0和1之间实现二元分类问题(23- - - - - -25]。
基于机器学习的风险评估模型近年来逐渐出现,显示出它的优越性与传统的风险评估方法。常见的现代机器学习方法包括BP神经网络、K最近的邻居(资讯),支持向量机(SVM),等。此外,基于树模型的机器学习方法也广泛应用于风险评估,如基本的决策树模型和综合模型,如随机森林(RF), GBDT XGBoost, LightGBM。马克维斯奇第一次使用现代的机器学习方法进行风险评估,信用数据被用来建立一个模型分类树分类好的和坏的客户。然而也更有效地验证两种分类问题。人工神经网络模型应用于个人信用评分模型,构造了一个基于用户的信用评分系统数据。实验结果表明,整体模型,如射频在风险评估表现很好。一些研究人员指出,机器学习方法主要是通过监督学习模型风险的历史数据。经过一系列的操作,比如数据处理和特征提取,构建模型用来预测用户行为和特点来确定企业风险。
根据现有文献,本文利用机器学习算法对于企业风险评估。具体来说,三种类型的代表机算法:射频,支持向量机,和演算法,用于分析和评估某一公司的风险。基于企业风险指标体系,建立三种类型的机器学习算法训练使用企业历史数据获取可靠的评价模型。在此基础上,企业的当前状态评估和判断,并得到了其风险评估结果。在实验中,使用实际数据测试和评估三种类型的机器学习算法的性能,结果显示它们的有效性和可靠性。
2。企业风险指数评价
企业的风险状况直接决定了借款人偿还贷款的能力和意愿与现金流。因此,有必要建立一个科学、直观的指标体系对银行贷款决策提供支持,使科学客观地评价。例如,在信贷决策影响因素的分析,应该全面考虑各种影响因素的信用风险。根据前面的研究,本文使用的七个评价指标来描述企业风险,流动比率、速动比率、存货周转率、资产负债率、有形净值负债率、资产净利率、已获利息倍数。上述指标的具体定义如下:x1 =流动比率=流动资产/流动负债总额。这个指标反映了公司偿还短期债务的能力。当前的资产越多,短期债务越少,流动比率越大,公司的短期偿债能力越强。x2 =速动比率=(流动资产总额−存货)/流动负债总额。这个指数可以反映公司偿还短期债务的能力。因为流动资产还包括库存,实现速度较慢,可能贬值,流动资产扣除存货,然后与流动负债相比来衡量公司的短期债务偿付能力。x3 =存货周转率=产品销售成本/((期初存货+期末存货)/ 2)。这个索引的主要指标是存货周转速度。携带高库存周转率和缩短商业周期可以改善公司的流动性。x4 =资产−负债比率=(总负债/总资产)×100%。该指数反映债权人提供的资本总资本的比率。这个指数也被称为debt-to-business比率。x5 =有形净值负债率=(总负债/(股东equity-net无形资产)×100%。产权比率指数的扩展更为谨慎和保守的程度反映了资本投资由债权人保护股东权利在企业的清算。无论价值的无形资产,包括商誉、商标、专利权、和nonpatent技术,他们可能不会被用来偿还债务。为了谨慎,他们都将被视为破产。x6 =资产净利率=净利润/((总资产的开始时期+年末总资产周期)/ 2)×100%。这个索引比较公司的净利润和公司的资产在一段时间内,显示了公司的资产的综合利用效果。指数越高,资产利用效率越高,说明该公司取得了良好的效果在增加收入和节约资金。否则,相反的结论是正确的。x7 =已获利息的倍数=息税前利润/利息费用=(利润总额+财务费用)/(财务费用+利息费用资本化利息)。
营业收入与利息费用的比率是用来衡量公司偿还借款利息的能力。它也被称为多重利益保护。只要利息收入的倍数足够大,企业有足够的能力偿还利息。
3所示。风险评估模型
本文主要选择三种类型的机器学习算法:射频,支持向量机,和演算法,训练企业风险评估模型。他们的基本原理介绍如下18- - - - - -24]。
3.1。射频
射频是一种最常用的和最强大的监督学习算法,它考虑了解决回归和分类问题的能力。随机森林是一个集成了多个决策树的算法通过整体学习的想法。对于分类问题,输出的类别是由单个树的方式输出。在回归问题中,每个决策树的输出平均得到最后的回归结果。RF算法的具体步骤如下:(1)引导重采样方法应用于随机样本年代subtraining集与替代原始数据集年代决策树,即 , , 。。。, 。的年代值是根据选定的模型的误差曲线的稳定性。(2)数量米预选变量指定的树节点,也就是说,米建设的变量是随机生成的二叉树的节点。的米值是由先后计算模型的残差平方和,这样米值与残差平方和最小的最优数量的变量。(3)对于一个决策树,节点递归分区根据最小节点杂质的原则(即,基尼系数是最小的)中米变量。基尼系数定义如下: 在哪里t一个决策树节点和吗类别的概率是j在节点t。(4)每个决策树遍历,重复步骤(3)。没有修剪决策树生长任意操作。(5)的年代决策树组成森林,投票方法用于确定和分类分类数据。
3.2。支持向量机
支持向量机的基本思想是将数据映射到高维特征空间的非线性映射,实现非线性函数估计问题的线性回归变换到高维特征空间。表示作为训练样本 , 是输入向量, 对应的输出值,N是训练样本的数量。高维空间的线性模型可以表示如下: 在哪里是输入向量;是特征空间系数向量; ,是非线性传递函数; 相应的系数特征空间;和b是偏差的高维空间。结构风险函数构造如下: 在哪里是特征空间系数向量的欧氏距离;C是惩罚系数;和 的损失函数,是哪个 样本输出值和吗 相应的输出值吗在高维空间中。
本文使用了一个线性不敏感损失函数,定义如下:
为了最小化结构风险函数 ,回归方程可以写成 在哪里和拉格朗日因子,可通过对偶问题的最小优化算法解决序列,和内核函数K被定义为非线性变换后的特征向量的内积,即,
可以使用任何功能,满足Mercer的条件作为一个内核函数。如果内核函数系数对应于一个采样点都不为零,然后采样点是一个支持向量。常用的核函数的支持向量机包括高斯核函数,径向基核函数等。
3.3。演算法
本文是基于单标牌多层次问题,所以我们选择更简单和直接学习演算法。算法的主要步骤如下:(1)训练数据点的重量分布是初始化。弱学习者迭代操作T时间和产生一个弱的假设 在每一次迭代。的T值可以选择根据最终的强分类的误差曲线。(2)执行分类错误率的计算使用以下公式: 在哪里训练数据的重量分布在t迭代。在每个迭代中,如果 ,那么这个迭代将中止。(3)分配给弱者的重量是假设根据分类错误率,更新和培训数据点的重量分布如下: 在哪里 和是归一化常数。(4)所有的弱假设与权重组合成最终的预测函数。计算公式如下:
本文方法的基本思想是在图中描述1。基于历史的训练数据,指标特征向量构造根据部分中描述的方法2。因此,三种类型的机器学习算法训练得到评价模型。在测试阶段,获得数据,索引特征向量构造,和培训评估模型输入获取当前企业的风险评估结果。
4所示。实验和分析
4.1。数据集和评价指标
本文中使用的数据样本选择300家贷款公司从银行把他们分为两类,即。,“性能公司(y= 1)”和“违约公司(y=−1)”根据他们的财务状况,经营状况,和过去的信用记录。根据已建立的安全评价指标体系,每一个样本都是7-dimensional向量。首先,样本数据处理的鲁棒性和效率。的大样本数据量和数据的平滑度,两倍三倍标准差测试是用来消除异常数据,和有效的样本总数终于在500年获得的。其中,255家公司能够偿还银行信用贷款,剩下的245不能按时偿还贷款。
为了定量地分析了该方法的性能,本文选择的准确性和ROC曲线评价指标。其中,精度指标是一个简单而有效的指标分类和预测性能和评价是指正确的评估样本的比例在总样本。曲线下的面积(AUC)可以测量后验概率,分类性能,和排名的机器学习算法的性能,已广泛应用于机器学习领域的算法。以假阳性类率(玻璃钢)为水平轴和真正的积极类率(TPR)作为纵轴,一组不同的(玻璃钢,TPR)点可以获得在坐标轴不断调整分类器阈值。这些点连接成一条线的ROC曲线分类器。不能直接用作ROC曲线评价指标的分类器,和AUC值通常是用作定量标准。
5。结果和分析
本文运用K-fold交叉验证。一般来说,K是10因为它有相对较低的偏差和方差。因此,本文将500年企业风险数据划分为10个相等的部分,也就是说,T1, T2、T3,……T10。以T我作为测试数据集,剩下的部分是训练数据集,从而构建我群测试训练集(测试我、火车我)(我= 1,2,…,10)。平均每个模型的精度值和AUC值计算和统计结果如表所示1。
以下从表可以看到1。(1)结合两个评价指标标准,支持向量机模型是有效的,和RF和演算法模型有良好的性能。(2)从准确性的角度,演算法模型比SVM和射频模型;从的角度AUC值,RF模型几乎是一样的演算法模型,并且都比支持向量机模型。
考虑到两个评价指标,演算法模型的精度值高出1.2%的射频模式,和射频的AUC值高于模型。企业风险水平之间的关系是略优于SVM和射频模型。
考虑到可能的实际数据噪声的影响,本文不同程度的噪声条件适用于500年的样本数据,并使用信噪比(信噪比)来测量噪声水平。图2显示了三种方法的精度性能曲线在不同的信噪比。可以看出从射频噪声鲁棒性的比较和演算法方法仍比支持向量机的方法,反映出其更强的鲁棒性。
6。结论
统计学习方法广泛应用于风险评估由于其结构简单和强大的解释。然而,基于的假设有一个变量之间的线性关系,预测效果缺乏准确性和在许多情况下不能完全反映风险状况。风险评估模型构建现代机器学习方法具有较高的准确性通过数据训练和在企业风险评估中广阔的应用前景。本文三个射频的机器学习算法,支持向量机,和演算法应用于企业风险评估,是基于实际数据的验证。比较表明,射频和演算法有更高的准确性预测风险。不同的机器学习方法有不同的优势。结合不同的机器学习方法或使用集成学习方法处理数据特性,该方法的性能可以进一步提高。
数据可用性
数据集可以在访问请求。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的基础研究基金为中央大学、中南财经政法大学经济学和法律(2722019 jcg070)和湖北省级人文社会科学研究项目教育部(19 g009)。